Stanford机器学习---第十一讲. 聚类

最新推荐文章于 2018-11-11 04:09:10 发布
原创 最新推荐文章于 2018-11-11 04:09:10 发布 · 640 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细介绍了K-Means聚类算法的工作原理及流程，包括如何通过迭代选择质心来实现数据分类，探讨了优化目标函数的方法，并讨论了初始化质心的不同策略及其对最终结果的影响。此外，还提出了如何确定最佳聚类数量的技术。

============K-Means聚类算法=============

1.KMeans的算法流程：随机选点，分类；再移动点，再分类。。。。



2.算法解释


3.聚类，再改变中心点


4.非可分类的处理



==============Optimization Objective========================

1.目标函数--极小化


2.两部在生成不同的参数


3.话费函数不可能有升高的阶段！


=====================Random Initialization ==================

1.初始化点不同，最终解不同


2.解决方法：反复跑算法，每次不同的初始值


3.解决分类少2-10次，可用此法。最终选话费函数最小的初始值即可。


但若分太多类，此法不适合。


4.初始值的选择




===============Choosing the Number of Clusters======================

1.到底分几类？


2.“肘部”最合适。k=3


3.小题目






Stanford机器学习---第九讲. 聚类
Rachel Zhang的专栏
08-28 2万+
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。内容大多来自Standford公开课machine learning中
Stanford机器学习---第十一讲.异常检测
l281865263的专栏
06-26 2万+
之前一直在看Standford公开课machine learning中Andrew老师的视频讲解 https://class.coursera.org/ml/class/index 同时配合csdn知名博主Rachel Zhang的系列文章进行学习。 不过博主的博客只写到“第十讲 数据降维” http://blog.csdn.net/abcjennifer/article/detai
Stanford机器学习--聚类
Forlogenの解忧杂货铺
10-15 394
Stanford机器学习---第十讲. 数据降维
low米的博客
05-14 328
Stanford机器学习---第十讲. 数据降维2012年09月28日 23:52:39阅读数：55402本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、...
Stanford机器学习---第九讲 聚类
kahncc的博客
11-11 246
Stanford机器学习---第九讲 聚类
Stanford机器学习---第七讲. 机器学习系统设计
low米的博客
05-14 346
Stanford机器学习---第七讲. 机器学习系统设计2012年08月06日 14:49:36阅读数：22845本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类...
Stanford机器学习：K-means聚类算法详解
"Stanford机器学习课程讲解聚类算法，特别是K-means聚类算法，以及非监督学习的基本概念。" 在机器学习领域，聚类算法是一种重要的非监督学习技术，它主要用于发现数据集中的内在结构和模式，而无需预先知道数据的...
Stanford机器学习---第五讲. 神经网络的学习 Neural Networks learning
热门推荐
Rachel Zhang的专栏
07-20 7万+
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning中A
Stanford机器学习---第四讲. Logistic回归 Logistic Regression
02-06 1192
==================Classification======================= 1.假设随Tumor Size变化，预测病人的肿瘤是恶性（malignant）还是良性（benign）的情况。 给出8个数据如下：     2.假设进行linear regression得到的hypothesis线性方程如上图中粉线所示，则可以确定一个thres
Stanford机器学习---第三讲. 多变量线性回归 Linear Regression with Multiple Variables
02-05 736
===============Multiple Features=============== 1.一些符号 2. Linear Regression with Multiple Variables的简洁表示 ===============Gradient Descent for Multiple Variables=============== 1.Gradient Descen
Stanford机器学习---第二讲. Linear Regression with one variable
02-04 708
============Model Representation============== 1.符号表示 2.模式表示 =============Cost Function=============== 1.cost fuction,平方差话费函数是最基本的。 2.当theta1=1，theta
Stanford机器学习---第一讲 Introduction
02-04 675
==============Welcome================ 1.微软和谷歌实现了机器学习算法来排行网页 2.FACEBOOK的图片分类程序也是用机器学习算法来做的 3.垃圾邮件过滤器 4.有时很难用具体的算法去解决上述问题，怎么办？---------让机器自己学着去解决。如直升机无人驾驶，手
Stanford机器学习---第五讲. 过拟合问题的解决 Regularization
02-07 658
=============The Problem of Overfitting=============== 1.bias大，underfittign    variance大，overfitting 2.logistic回归中的过拟合，注意其函数是logistic，而参数是非线性。因为本身图是线性不可分（除最左） 3.overfitting是由于特征选取太
Stanford机器学习---第六讲. 神经网络的表示 Neural Networks representation
02-07 656
==============Nonlinear hypothesis============== 1.当特征多的时候（100），为了非线性的分割，要引入2次项，甚至3此项， 造成特征膨胀。 2.当特征“爆炸”时，回归计算复杂度太大，如汽车分类小例： =================Neurons and the Brain=============
Stanford机器学习---第八讲 怎样选择机器学习方法——Advice for applying machine learning
02-11 578
=============Deciding what to try next=========== 1.出现拟合失败，如何解决？ 2.拟合失败后的方法选择 3.小解释 ===========Evaluating a Hypothesis============= 1.分配比率 2.两种回归的错误判别方法 ====Model Sele
Stanford机器学习---第七讲. 神经网络的学习 Neural Networks learning
02-09 545
==================Cost Function=============== 1.一些基本符号 2.COST函数 ================Backpropagation Algorithm============= 1.要计算的东西 2.向前传递向量图，但为了计算上图的偏导，要用到后向传递算法 3.后向传递算法
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值